动力电池是电动汽车的关键组成部分之一,对于汽车性能在很多方面有着至关重要的作用。三元锂离子电池凭借自身优良的特性在动力电池的实际运用中占有着非常大的比重。电池当前时刻剩余电量（State of Charge,SOC）估算精度的准确性,直接决定着电池使用性能的好坏,并且能够减少电池过充过放的行为发生,能够最大限度的提高电池使用过程中的循环次数。但是在实际应用中动力电池的荷电状态无法直接获取,并且在一些温度下其估算误差波动较大,针对以上问题,本文将进行以下几个方面的工作:首先,对NCR18650电池在不同影响因素条件下进行充放电实验,通过分析并得出其电池特性。研究发现温度对电池容量有一定的影响,会进一步影响电池SOC估算精度,提出一种温度相关安时积分修正方法。针对不同算法在SOC估算上的缺点,提出了一种改进BP神经网络与平方根无轨迹卡尔曼滤波相结合的算法,从而对考虑温度影响的三元锂离子电池SOC估算算法进行研究。第二,为了进行电池模型参数辨识,对电池模型进行研究,并进行了实验数据采集,然后对辨识算法进行学习,进而分别对电池模型的各个参数进行了基于实验的参数辨识。最后建立了电池模型,并对其输出结果进行分析研究。为后文硬件在环测试试验打下基础。第三,分析了神经网络结构原理,利用BP神经网络对电池进行网络建模。采集不同温度下的公路燃油经济性驾驶工况、洛杉矶92测试驾驶工况、联邦测试驾驶工况下的电流电压温度数据,作为算法训练数据。运用遗传算法改进BP神经网络,得到能使输出结果处于最接近真值状态的权值和阈值。为了提高运算速率与精度,引入自适应学习率对网络进行结构上的改进。模型被训练完成之后,利用美国城市测试工况的实验数据对改进的神经网络进行测试验证,模型输出优良,但是在某些采样点存在一定噪声偏差,将会影响模型的预测精度。利用平方根无轨迹卡尔曼滤波对设计算法的输出进行滤波处理,相比优化前效果明显提升,估算结果更为准确。最后,基于课题组之前的研究,针对本文所设计的算法,设计了一套基于NI PXIe硬件在环测试平台。将Simulink建立电池组模型输入到NI Veristand仿真环境中。将前文所设计算法烧录到BMS控制器中,搭建好硬件在环仿真平台,从而实现硬件在环验证。结果可以满足预期要求,验证本文设计的算法在不同温度下的可行性。